中山网站制作策划,网络技术服务合同模板,西安旅游攻略3天花费,百度云盘登录电脑版文章目录1. 为什么要进行实例探究2. 经典网络3. 残差网络 ResNets4. 残差网络为什么有用5. 网络中的网络 以及 11 卷积6. 谷歌 Inception 网络简介7. Inception 网络8. 使用开源的实现方案9. 迁移学习10. 数据增强 Data augmentation11. 计算机视觉现状作业参考#xff1a; 吴… 文章目录1. 为什么要进行实例探究2. 经典网络3. 残差网络 ResNets4. 残差网络为什么有用5. 网络中的网络 以及 1×1 卷积6. 谷歌 Inception 网络简介7. Inception 网络8. 使用开源的实现方案9. 迁移学习10. 数据增强 Data augmentation11. 计算机视觉现状作业参考 吴恩达视频课 深度学习笔记 1. 为什么要进行实例探究 学习大佬们的组建网络的方法借鉴过来解决自己的问题 经典的网络模型 LeNet-5AlexNetVGG ResNet残差网络它有152层 Inception 2. 经典网络 3. 残差网络 ResNets 非常非常深的神经网络是很难训练的因为存在梯度消失和梯度爆炸问题 中间的激活能够到达网络的更深层这种方式确实有助于解决梯度消失和梯度爆炸问题让我们在训练更深网络的同时又能保证良好的性能ResNet 在训练深度网络方面非常有效 4. 残差网络为什么有用 残差网络起作用的主要原因 残差块学习恒等函数非常容易你能确定网络性能不会受到影响很多时候甚至可以提高效率或者说至少不会降低网络的效率 5. 网络中的网络 以及 1×1 卷积 我们知道可以通过池化层来压缩输入的高度和宽度但是池化层不改变通道数 1×1卷积层 给神经网络添加了一个非线性函数从而减少或保持输入层中的通道数量不变也可以增加通道数量 6. 谷歌 Inception 网络简介 构建卷积层时你要决定过滤器的大小究竟是1×13×3 还是 5×5要不要添加池化层。 而 Inception网络 的作用就是代替你来决定虽然网络架构变得更加复杂但网络表现却非常好 基本思想是 Inception 网络不需要人为决定使用哪个过滤器或者是否需要池化而是由网络自行确定这些参数你可以给网络添加这些参数的所有可能值然后把这些输出连接起来让网络自己学习它需要什么样的参数采用哪些过滤器组合 通过使用1×1卷积来构建瓶颈层从而大大降低计算成本 事实证明只要合理构建瓶颈层既可以显著缩小表示层规模又不会降低网络性能从而节省了计算 7. Inception 网络 Inception 模块 Inception 网络Inception 模块堆叠 8. 使用开源的实现方案 事实证明很多神经网络复杂细致因而难以复制因为一些参数调整的细节问题例如学习率衰减等等会影响性能 选择一个你喜欢的神经网络框架接着寻找一个开源实现从GitHub下载下来以此基础开始构建 这样做的优点在于这些网络通常都需要很长的时间来训练而或许有人已经使用多个GPU通过庞大的数据集预先训练了这些网络你就可以使用这些网络进行迁移学习 9. 迁移学习 10. 数据增强 Data augmentation 数据扩充是经常使用的一种技巧来提高计算机视觉系统的表现 垂直镜像对称常用随机裁剪常用旋转剪切局部扭曲不常用色彩转换给RGB通道按分布加上失真值使得算法对照片的颜色更改更具鲁棒性 常用的实现数据扩充的方法 使用一个线程或者是多线程用来加载数据实现变形失真然后传给其他的线程或者其他进程来训练可以并行实现 数据扩充过程中也有一些超参数比如颜色变化随机裁剪参数。 可以使用别人的开源实现了解他们如何实现数据扩充。也可以自己去调整这些参数 11. 计算机视觉现状 为了提高性能表现 集成使用多个神经网络平均他们的输出缺点更多的时间占用内存更大Multi-crop 数据扩充也是运行时间多只有1个神经网络占用内存 附 deep-learning-models/resnet50.py 开源实现 Deep Residual Learning for Image Recognition ResNets 论文 作业 Keras教程ResNets残差网络 我的CSDN博客地址 https://michael.blog.csdn.net/ 长按或扫码关注我的公众号Michael阿明一起加油、一起学习进步